9 - Visualización de imágenes y mapas de color
Lección 9 del curso Matplotlib para Ciencia de Datos y Machine Learning.
En la lección anterior vimos cómo añadir texto y anotaciones a una gráfica, así como la forma de personalizar cada uno de estos elementos.
Pero, adicional a las herramientas vistas hasta el momento, en ocasiones encontraremos que resulta necesaria la visualización de tipos de datos como imágenes y mapas de color en nuestros proyectos de Ciencia de Datos y Machine Learning.
Así que en esta lección veremos cómo lograr este tipo de visualizaciones con ayuda de Matplotlib.
En particular veremos cómo visualizar imágenes en escala de grises y a color (formato RGB), incluyendo su lectura desde el disco duro.
Además, vamos a entender qué es un mapa de color, por qué resulta relevante en Ciencia de Datos y Machine Learning y veremos un ejemplo práctico de visualización de este tipo datos usando el concepto de matriz de correlación.
Suscríbete y accede al código fuente y al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
Muy bien, acabamos de ver cómo visualizar imágenes, con ayuda de la función imshow, y mapas de color, con ayuda de la función matshow.
En particular vimos que para el caso de imágenes en escala de grises podemos realizar la visualización agregando un falso color o usando un mapa de color adecuado para este tipo de imagen, haciendo uso del parámetro cmap.
Además vimos cómo elegir un colormap adecuado para la visualización del mapa de color, cómo añadir una barra de color y personalizar las etiquetas de los ejes, facilitando de esta forma la comprensión de la información contenida en una matriz de correlación.
Y con esto culminamos este segundo módulo del curso, en donde hemos aprendido a usar las herramientas básicas de visualización que nos ofrece Matplotlib.
En la próxima lección daremos inicio al tercer módulo del curso, en donde veremos cómo generar diferentes tipos de gráficas especializadas y de uso común en Ciencia de Datos y Machine Learning.
En particular, veremos cómo generar los dos tipos de gráficas de uso más extendido: los gráficos de línea y de dispersión.